ارایه روشی ترکیبی بر مبنای شبکه عصبی فازی و الگوریتم های تکاملی جهت جهت پیش بینی رفتار حین اجرای نرمافزارهای خودتطبیق مبتنی بر معماری
- سال انتشار: 1394
- محل انتشار: دهمین سمپوزیوم بین المللی پیشرفتهای علوم و تکنولوژی
- کد COI اختصاصی: SASTECH10_056
- زبان مقاله: فارسی
- تعداد مشاهده: 394
نویسندگان
دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی واحد بیرجند
دانشجوی دکتری دانشگاه آزاد اسلامی واحد قزوین
چکیده
نرم افزارهای خودتطبیق، سیستم هایی هستندکه تغییرات را از محیط درونی وبیرونی خود دریافت کرده و باتوجه به وضعیت یک هدرآن قراردارند،خودرابا تغییرات تطبیق میدهند.ازآنجاکه این فرایند براساس نیازمندی های کاربران، منابع وشرایط محیطی صورت میگیرد ، منجر به مطابقت نرمافزاربا نیازهای کاربران میشود1 و2 . روشهای سنتی خود تطبیقی در قالب ویژگی های زبانهای برنامه نویسی به کارمیرفتند. تطبیق پذیری که در این روش ها وجود دارد به شدت آمیخته با برنامه است. این روشها، به محض کشف خطا، آن را به دام می اندازند، اما مدیریت خطای داخلی، قادر نیست منبع واقعی مشکل را شناسایی و راهکار جبرانی ارایه نماید. به علاوه، چنین روشهایی نمیتوانند مشکلاتی مانند افت کارایی تدریجی نرم افزار و یا الگوهای غیرمطمین را شناسایی کنند. همچنین به دلیل وابستگی این روش ها به کد برنامه، تغییر سیاست های تطبیق پذیری در آنها، بسیار سخت میشود. راه حل این مشکلات، استفاده از مدل های معماری نرم افزار برای کشف، تشخیص و برطرف کردن خطاها و تنگناهاست . [3]سیستم های خودتطبیق مبتنی بر معماری، واکنشی هستند. مرجع [3] ، به روش پیشبینی، اتکا دارد و واکنشی نیست. این مرجع، پیش بینی رفتار نرمافزارهای خودتطبیق را با استفاده از مدل مارکوف مخفی و شبکه ی عصبی بازگشتی و پویا (NARX) انجام داده است. شباهت روش ارایه شده در این تحقیق با روشی که در مرجع [3] مطرح شده است، پیش بینی رفتار نرمافزارهای خودتطبیق بر معماری میباشد، اما تفاوت آن عبارت است از استفاده از ترکیب شبکه عصبی فازی انفیس و الگوریتم های تکاملی جهت پیشبینی رفتار نرمافزارهای خودتطبیق مبتنی بر معماری. مدل فازی- عصبی، منطق فازی را با شبکههای عصبی مصنوعی ترکیب میکند. با توجه به وجود روابط غیرخطی و عدم قطعیت در رفتار سیستم های نرم افزاری، استفاده از مدلی که از منطق فازی، استفاده کند در بهبود پیش بینی رفتار این سیستم ها موثر است. در مرجع [3] از روشهای NARX و مدل مارکوف مخفی برای پیش بینی رفتار غیرخطی سیستم های خودتطبیق استفاده شده است، در این تحقیق میخواهیم به بررسی کارایی روش ترکیبی مورد استفاده (ترکیب انفیس و الگوریتم های تکاملی) برای پیش بینی بپردازیم.کلیدواژه ها
شبکه عصبی، الگوریتم تکاملی،نرم افزار خود تطبیقمقالات مرتبط جدید
- مرور سیستماتیک کاربرد هوش مصنوعی در موسیقی
- In-silico Analyses for Finding Potential Key Genes and Pathways Associated with Guillain-Barré Syndrome Using Computational Tools
- OCD Severity Based on EEG Signals
- Investigating the (non) -Impact of Customizing Knowledge Bases of Artificial Intelligence -Driven Robot on Language for Specific Purposes Learning
- The Need for Telehealth and Tele-Educationon in Optimizing Measles Surveillance and Reducing Healthcare Costs
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.